基于潜类别增长模型分析接受PCI的冠心病患者心理弹性变化轨迹及其影响因素

目的 基于潜类别增长模型(LCGM)分析接受PCI的冠心病患者心理弹性变化轨迹及其影响因素。方法 选取2021年在首都医科大学附属北京安贞医院心内科住院并接受PCI的冠心病患者100例为调查对象。于患者入院24 h内(T0)采用患者一般资料调查问卷、匹兹堡睡眠质量指数(PSQI)量表、社会支持评定量表(SSRS)、家庭关怀度指数问卷(APGAR)、慢性病自我效能量表(CDSES)、Connor-Davidson心理弹性量表(CD-RISC)对其进行调查,之后分别于患者出院1个月(T1)、出院3个月(T2)、出院6个月(T3)时再次采用CD-RISC对其进行调查。采用Mplus 8.0软件进行LCGM分析,采用多元有序Logistic回归分析探讨接受PCI的冠心病患者心理弹性变化轨迹的影响因素。结果 LCGM分析结果显示,随着潜在类别个数的增加赤池信息准则(AIC)逐渐变小,当潜在类别个数为3时校正贝叶斯信息准则(aBIC)最小且信息熵和似然比检验(LMR)的P值不再小于0.05,故潜在类别个数为3时模型为最佳模型,此时心理弹性可分为心理弹性成长型、心理弹性稳定型、心理弹性脆弱型3种变化轨迹。100例接受PCI的冠心病患者中,心理弹性成长型12例,心理弹性稳定型64例,心理弹性脆弱型24例。多元有序Logistic回归分析结果显示,婚姻状况、植入支架数目、合并症、SSRS评分、APGAR评分、CDSES评分是接受PCI的冠心病患者心理弹性变化轨迹的独立影响因素(P<0.05)。结论 接受PCI的冠心病患者的心理弹性可分为心理弹性成长型、心理弹性稳定型、心理弹性脆弱型3种变化轨迹,且大部分患者为心理弹性稳定型。婚姻状况、植入支架数目、合并症、SSRS评分、APGAR评分、CDSES评分是接受PCI的冠心病患者心理弹性变化轨迹的独立影响因素。

脑卒中患者疲劳轨迹的潜在类别及影响因素分析

目的探讨脑卒中患者疲劳轨迹的潜在类别及影响因素,为后续脑卒中后疲劳患者的护理管理提供依据。方法便利选取2022年1月—2023年6月在浙江省丽水市某三级甲等综合医院康复科住院的265例脑卒中患者作为调查对象。采用一般资料调查表、疲劳严重度量表、脑卒中患者健康行为量表、匹兹堡睡眠质量指数进行调查,分别在发病后1~2周、发病后1个月、发病后3个月及发病后6个月对其疲劳程度进行评估,运用潜类别增长模型识别疲劳轨迹的潜在类别,采用Logistic回归分析疲劳轨迹的影响因素。结果最终纳入脑卒中患者232例,共128例(55.17%)发生了疲劳,其疲劳程度存在4种轨迹,分别为“持续疲劳组”44例(18.97%);“疲劳升高组”13例(5.60%);“疲劳缓解组”71例(30.60%);“无疲劳组”104例(44.83%)。Logistic回归分析结果显示,年龄、文化程度、健康行为及睡眠质量是脑卒中患者疲劳轨迹的影响因素(P<0.05)。结论脑卒中患者疲劳分为4种变化轨迹,并且存在着群体异质性,护理人员应根据不同的疲劳变化轨迹对患者进行针对性护理干预。

多阶段混合增长模型的影响因素:距离与形态

通过模拟研究,考察潜类别距离和发展形态等因素对多阶段混合增长模型的模型选择和参数估计的影响:(1)潜类别距离越大,模型选择和分类效果越好。(2)混合模型的选择,应以一定样本量(至少200)为前提,首先考虑BIC选出正确的分类模型,再通过熵值、ARI等选择分类确定性较高的模型。(3)多阶段的发展形态对正确模型的选择和分类的确定性均有一定程度影响。(4)潜类别距离和样本量越大,参数估计精度越高。(5)在判断分类准确性的指标中,ARI的选择更偏向于真实的模型。

首发脑卒中患者护理依赖轨迹的潜在类别及影响因素分析

目的探讨首发脑卒中患者护理依赖轨迹的潜在类别及影响因素。方法采用便利抽样法于2021年10月—2022年8月选取河南省某三级甲等医院神经内科首发脑卒中患者作为调查对象。采用护理依赖量表分别于入院第3天、出院时、出院后1个月、3个月、6个月调查患者的护理依赖水平,利用增长混合模型、单因素分析及多元Logistic回归分析数据。结果278例首发脑卒中患者护理依赖轨迹分为4个潜在类别,分别是低依赖-高改善型(42.1%)、中依赖-中改善型(24.8%)、中依赖-高下降型(13.3%)、高依赖-低改善型(19.8%)。年龄、Charlson共病指数、卒中类型、卒中严重程度、焦虑、抑郁及营养情况是首发脑卒中患者护理依赖轨迹潜在类别的影响因素(P<0.05)。结论首发脑卒中患者护理依赖轨迹存在异质性,医护人员可根据护理依赖轨迹类别的影响因素进行个体化干预。

潜变量量尺的拓展及研究展望

随着潜类别分析(LCA)技术的发展,研究者对于总体异质性的问题越来越关注。在潜变量量尺拓展之后,潜类别模型的方法也被广泛的应用到各领域。在横断研究中,LCA与混合因素分析模型(FMA)常被使用在探索总体分群和因素分群的研究中;在追踪研究中,潜类别转换分析(LTA)重点讨论群的调节作用和分类结果随时间变化的不同,而潜类别增长分析(LCGA)和混合增长模型(GMM)则关注发展趋势;多水平模型(MLM)也针对嵌套数据应用在横断与追踪研究中,衍生出近年来成为热点的多水平混合模型(MMM)。

累增还是累退?老年人社会参与模式的变化及其影响因素

文章利用2011年、2013年、2015年和2018年中国健康与养老追踪调查(CHARLS)数据,利用潜在类别模型、增长混合模型和二元Probit面板回归模型分别讨论老年人社会参与模式的形成、变化及其影响因素。结果发现:(1)基于“劳动—休闲”分析框架,老年人社会参与模式可分为劳动型、休闲型、均衡型和消极型四种,其中劳动型和消极型老年人人数较多。(2)老年人社会参与模式的变化出现累增和累退两种趋势,但不同模式的变化情况有所差异。(3)从影响因素结果来看,个体因素、家庭因素、保障因素和区域因素均会影响不同社会参与模式的变化,其中尤以性别、年龄、城乡类型、出行障碍、所属区域影响程度较高。(4)从异质性结果来看,城镇女性老年人选择累增的可能性比城镇男性老年人高出15.6%;而农村男性老年人选择累增的可能性比农村女性老年人高出13.8%;影响男性老年人参与累增的因素多于女性老年人;出行障碍仅对中高龄老年人参与累增有影响。

潜变量混合模型原理及其在临床研究中的应用价值

医学研究的人群中常存在潜在亚人群具有与其他个体不同的特征或变化趋势,但无法直接识别。潜变量混合模型基于“总体是由有限个亚群混合构成”的思想,可根据后验概率为个体分配潜在类别组,既适用于横断面数据,也可用于纵向数据。本文从统计学角度出发,详细阐述潜变量混合模型的4种常见方法的基本原理,总结基本建模流程,并结合既往案例和实际数据对其合理应用进行述评。潜变量混合模型是一种灵活的分类工具,可用于识别和分析研究人群中的潜在类别,深入探讨影响潜在类别的预测因素或其对结局变量的影响,具有重要的临床应用价值。

非小细胞肺癌患者术后支持性照护需求变化轨迹及影响因素分析

目的探讨非小细胞肺癌(NSCLC)患者术后支持性照护需求轨迹的潜在类别,并分析影响因素,提出针对性干预措施。方法本研究为前瞻性观察研究,采用便利抽样法选取2021年1月至2022年2月同济大学附属上海市肺科医院胸外科接受手术治疗的NSCLC患者177例作为研究对象。于术前1 d、术后3 d、出院前1 d、出院后1周、出院后1个月、出院后3个月使用癌症患者支持性照顾需求量表调查患者支持性照护需求水平,使用潜类别增长模型识别轨迹类别并采用多分类Logistic回归分析探索影响因素。结果本研究拟合出3条支持性照护需求轨迹,分别为持续高需求组(46.33%)、需求缓慢下降组(30.51%)、低需求下降组(23.16%);以潜类别组3低需求下降组作为参考类别,Logistics回归分析显示,高心理困扰、低社会支持、高疾病分期、高合并症更易进入持续高需求组(OR值为0.826~18.526,均P<0.05),高文化程度(大专及以上和高中)更易进入需求缓慢下降组(OR=6.076、4.199,均P<0.05)。结论NSCLC患者术后支持性照护需求轨迹存在群体异质性,临床医护人员应在术后早期为疾病分期高、合并症较多、文化程度低的患者提供个性化社会支持和情感支持。

童年期不良经历暴露模式与医学生焦虑症状轨迹的关联

目的:分析童年期不良经历(ACEs)暴露模式与医学生焦虑症状轨迹的关联。方法:以安徽医学高等专科学校、安庆医药高等专科学校大一年级在校学生为研究对象,采用儿童期虐待问卷、家庭功能不全问卷、童年期不良社会经历条目以及焦虑自评量表,于2019年11至12月开始调查,之后每半年调查一次,调查至2020年11至12月。采用潜类别模型分析ACEs暴露模式,潜类别增长模型分析焦虑症状发展轨迹,多元logistic回归模型分析ACEs不同暴露模式和焦虑症状轨迹的关联。结果:共调查3662名大学生,年龄(19.2±1.0)岁。潜类别分析显示,ACEs暴露模式可分为高ACEs组(13.4%)、较高忽视/情感虐待组(25.7%)、高家庭功能不全组(6.9%)、高忽视组(27.1%)、低ACEs组(26.3%);潜类别增长模型将焦虑轨迹分为4组:高焦虑降低轨迹(7.1%)、高焦虑升高轨迹(4.1%)、中等焦虑轨迹(52.9%)、低焦虑轨迹(35.9%)。以低ACEs组为参照组,与低焦虑轨迹相比,高ACEs组、高忽视/情感虐待组、高家庭功能不全组、高忽视组与中高等水平焦虑轨迹发生的风险增加均相关(P<0.05)。结论:ACEs暴露模式在医学生人群中存在异质性,且ACEs暴露模式是焦虑症状轨迹的重要影响因素。